响应延迟

衡量语音交互系统实时性的关键指标，通常拆分为首包延迟（从用户说完到系统发出第一个音频包的时间）和端到端延迟（包含网络与推理的总时延）。人类自然对话轮次转换间隔平均约 200 毫秒，超过 500 毫秒用户会明显感到停顿。